基于神經(jīng)網(wǎng)絡(luò)的人臉識別

李劉明

摘 要：人臉識別技術(shù)如今已經(jīng)成為模式識別領(lǐng)域研究的熱點和難點之一經(jīng)過眾多科研人員多年的努力，該領(lǐng)域已取得了許多成果。但由于人臉識別問題自身的復(fù)雜性，要實現(xiàn)普遍的應(yīng)用還有許多關(guān)鍵性的問題需要解決。本文首先介紹了人臉識別的背景、發(fā)展概況和人臉識別的主要方法，然后采用了一種基于SVD變換進行特征提取，并以神經(jīng)網(wǎng)絡(luò)作為分類器的人臉識別方法，仿真實驗具有一定的識別效果，這表明本方法是一種可行的人臉識別方法。

關(guān)鍵詞：模式識別，人臉識別，奇異值變換，神經(jīng)網(wǎng)絡(luò)

1緒論

人臉識別技術(shù)就是分析輸入的人臉圖像，從中提取出有效信息，并通過某種方式與數(shù)據(jù)庫中的己知人臉信息進行比較，從而得出分類或認證信息的一種技術(shù)。本文研究的人臉識別系統(tǒng)，以Matlab為開發(fā)平臺，完成了圖像的預(yù)處理、特征提取、網(wǎng)絡(luò)訓(xùn)練和人臉識別全過程，全過程的原理框圖如圖1所示。

2圖像預(yù)處理與特征提取

2.1人臉圖像的預(yù)處理

本文采用歸一化的方法對人臉圖像進行預(yù)處理，由于不同的人臉圖像受光照及角度等因素的影響會有很大的不同，為方便對不同灰度值的圖像進行統(tǒng)一處理，需要將圖像的灰度值和方差歸一化到一個特定范圍，減小由于光照的變化導(dǎo)致的灰度變化對識別效果的影響。具體方法如公式（2-1）所示。

2.2人臉特征提取

奇異值分解（SVD）是線性代數(shù)中正規(guī)矩陣對角化的推廣、是譜分析理論在任意矩陣上的延伸，它在描述圖像時是穩(wěn)定的，具有旋轉(zhuǎn)、位移和鏡像變換不變性等優(yōu)點，同時也是求解最小二乘問題的有效工具，在數(shù)據(jù)壓縮、圖像處理及模式識別方面得到了很多應(yīng)用，為提取人臉代數(shù)特征提供了一種有效方式。由于人臉局部特征不僅可以獲得更多的其他信息，還可以在一定程度上克服由于光照、表情、姿態(tài)等因素對識別的影響。其基本思路是將人臉分割成若干部分，任意一部分對應(yīng)的矩陣為 W，根據(jù)奇異值分解定理求出 W 的特征值λ的特征向量并將其降序排列，選取不為零的特征值構(gòu)成變換矩陣 V，可以占有每一部分特征總量的 90%以上，這樣每一部分相加便可以覆蓋人臉的全部主要特征，人臉圖像的維數(shù)也隨之降低不少，同時也保留了絕大部分有用信息，人臉特征提取的準確性和有效性都有所提高。

3.3網(wǎng)絡(luò)的分類識別

則認為待識別人臉不是該人臉數(shù)據(jù)庫的人臉。反之，為該人臉數(shù)據(jù)庫的人臉。

4識別過程及結(jié)果

本文取每個人的前6幅圖像共240幅圖像組成訓(xùn)練集，其余160幅圖像作為測試集，且訓(xùn)練樣本和測試樣本互不重疊。訓(xùn)練好網(wǎng)絡(luò)后，分別對訓(xùn)練樣本和測試樣本進行了識別，具體結(jié)果如表4-1所示。